Diese Arbeit wird anhand eines einzelnen Beispiels aus der realen Welt exemplarisch zeigen, wie die Entscheidungsfindung bez uglich der standortspezifischen Preisdifierenzierung durch neuartige Technologien und Datenquellen unterst utzt werden kann. F ur diesen Zweck wird mit Hilfe von Schnittstellen, die bereits zur Verf ugung stehen, Technologien in Form von existierenden Anwendungssystemen und Uberlegungen dazu, wie die Daten aus diesen Schnittstellen genutzt werden k onnen, eine Clusteranalyse durchgef uhrt. Das Ziel dieser Clusteranalyse sind Gruppen von Filialen eines Einzelhandelsunternehmens, die ahnliche lokale Gegebenheiten aufweisen und somit dieselbe Preisdifierenzierung erfahren k onnen. Somit wird die Preisdifierenzierung durch Nutzung von Big Data und Technologien, die in diesem Kontext stehen unterst utzt. Das Beispiel stammt aus dem Lebensmitteleinzelhandel, dabei handelt es sich um die EDEKA-Gruppe2, die deutschlandweit ein umfassendes Filialnetz von Superm arkten besitzt. Laut eigener Angaben umfasst die Gruppe ingesamt uber 11.400 Verkaufsst atten deutschlandweit (vgl. Unternehmens-Homepage [EDEKA ZENTRALE AG & Co. KG, 2019]) und erzielte im Jahr 2018 einen Umsatz von 53,6 Mrd. Euro. Als einer der gr oten Marktteilnehmer im Lebensmittelein zelhandel3 mit dezentraler Struktur aufgrund verschiedener selbstst andiger H andler bietet sich f ur dieses Unternehmen eine standortspezifische Preisdi
erenzierung der verschiedenen Filialen an. Es liegt eine unvollst andige Liste von fast 800 EDEKAM arkten deutschlandweit vor, die sowohl den exakten Koordinaten, als auch eine Reihe weiterer, hier auer Acht zu lassenden Informationen beinhaltet. Diese Liste wird zun achst als Datenbasis f ur die zu klassifizierende M arkte gelten und ist im Anhang hinterlegt.
Recent Comments